Content
8 Lessons • 0 Quizzes • 0 Challenges
入门
- 1
简介
- 2
预测模式与罕见事件预测
- 3
罕见事件的影响与预测
- 4
解决纸张断裂难题(concept)
- 5
不平衡数据的机器学习与深度学习解决方案
- 6
测验:入门
罕见事件预测
- 1
统计基础与预测策略
- 2
解决时空挑战
- 3
测验:罕见事件预测
多层感知机(MLPs)
- 1
揭开神经网络基础的面纱
- 2
理解多层感知机
- 3
数据准备与归一化
- 4
神经网络构建
- 5
使用 Dropout 来应对过拟合
- 6
使用类别权重优化神经网络
- 7
使用高级功能激活神经网络势
- 8
自定义激活函数
- 9
通过自定义指标提升模型选择
- 10
优化和评估最终的神经网络模型
- 11
练习:在神经网络中应用批量归一化
- 12
测验:多层感知机(MLPs)
长短期记忆(LSTM)网络
- 1
理解长短期记忆网络
- 2
长短期记忆单元的复杂性
- 3
理解LSTM的激活与稳定梯度
- 4
LSTM层操作与网络架构
- 5
使用LSTM模型准备和分析时间序列数据
- 6
用于基线建模的受限无状态LSTM网络
- 7
无限制LSTM结合丢弃法和反向输入
- 8
双向LSTM用于增强时序学习
- 9
LSTM模型的高级技术
- 10
练习:探索LSTM模型中的激活函数
- 11
测验:长短期记忆(LSTM)网络
卷积神经网络(CNNs)
- 1
卷积网络在高维数据迷宫中的应用
- 2
解码卷积
- 3
理解参数共享、弱滤波器与等变性
- 4
池化层在卷积网络正则化中的作用
- 5
卷积网络中的卷积核
- 6
填充、步长和膨胀
- 7
卷积网络的架构
- 8
将卷积网络应用于多变量时间序列
- 9
建模多变量时间序列
- 10
高效的池化策略
- 11
利用完整统计量提升效率
- 12
策略性池化方法
- 13
优化特征图池化
- 14
进阶的池化技术
- 15
构建一个优化的基准卷积网络
- 16
练习:带有更长回看窗口的时间序列分析
- 17
测验:卷积神经网络
自编码器
- 1
自编码器作为主成分分析的神经网络版本
- 2
多种自编码器及其应用
- 3
使用自编码器进行异常检测
- 4
构建稀疏自编码器
- 5
用于序列和图像数据的高级自编码器
- 6
提升自编码器模型
- 7
优化自编码器架构
- 8
测验:自编码器
结论
- 1
结语
已恢复的课程
- 1
练习(等待作者回复)
Certificate of Completion
Showcase your accomplishment by sharing your certificate of completion.
Course Author:Anonymous User